|
目前，深度學習技術在病理圖像分析上的應用日漸深入，但是大多數的深度學習模型僅能針對訓練集處于同一分布（域）的數據，而對于訓練集處于不同分布的數據的泛化能力較差。這樣的「域偏移」（domain shift）問題在數字病理分析中經常出現。 針對該問題，衡道病理聯合深圳大學、英國諾丁漢大學展開研究，提出了首個針對病理跨染色圖像分割的深度學習模型。相關科研成果發表在頂級醫學影像國際會議MICCAI 2019上。 作為推動本次人工智能熱潮的核心技術，深度學習已經在各個領域表現出了優異的結果。在醫療圖像領域，深度學習可以被用來識別與分割CT或MRI圖像中的器官或病灶，內窺鏡圖像中的息肉或出血，以及病理圖像中的腫瘤區域、腺體或細胞等。 但是，大多數的深度學習模型僅能針對訓練集處于同一分布（域）的數據，而對于訓練集處于不同分布的數據的泛化能力較差。這樣的「域偏移」（domain shift）問題在數字病理分析中經常出現。比如，H&E染色圖像與免疫組化圖像有明顯的視覺差異。使用H&E染色圖像訓練開發的腺體分割模型，在DAB-H染色的免疫組化圖像上的表現會非常差。雖然，我們仍然可以通過對新數據添加標注，并適當微調以達到預期的性能；但對于病理圖片數據來說，標注是非常耗時且昂貴的。因此，設計在不需要額外標注的情況下就能在別的域工作的算法，是一項非常有意義的工作。近期，我們針對跨染色的分割問題，提出了一種具有雙域適應（domain adaptation）模塊的金字塔型網絡模型DAPNet（Dual Adaptive Pyramid Network）。我們利用源域（source domain）病理圖像的標簽信息，實現了目標域（target domain）病理圖像的腺體分割。模型包含了一個語義分割網絡G，以及圖像級別與特征級別兩個對抗訓練模塊Dimg和Dfeat（如下圖所示）。在訓練時，兩個域中的原圖輸入語義分割網絡G中，原域中的圖像和其對應的標簽用來優化語義分割模型，兩個域中的輸入圖像通過對抗學習的方式去優化域遷移。分割網絡包含一個用來做編碼工作的基礎網絡resnet-18，一個用來增大感受視野的金字塔池化模塊（Pyramid Pooling Module, PPM），以及一個與編碼器空間尺度對稱的解碼器。金字塔池化模塊設置于編碼器之后。編解碼器通過跳連結構連接，達成最終的圖像分割。圖像級別的域適應模塊Dimg針對源域和目標域之間的總體差異，如圖像的顏色和樣式；而特征級別的域適應模塊Dfeat則解決兩個域的特征空間的不一致問題。Dimg 外接在PPM模塊之后，而Dfeat的輸入則是解碼器各尺度的特征融合。兩個域適應模塊均采用對抗訓練策略來學習域不變特征。我們使用Warwick-QU和GlandVision兩個數據集對模型進行測試。試驗結果表明，我們所提出的兩個域適應模塊可以有效地縮小源域與目標域之前的差異。我們的模型在提高目標域圖像上分割性能的同時，不會影響源域圖像的結果。此外，我們對比目前最先進的三種無監督域適應方法（CycleGAN、CyCADA 和 AdaptSeg），DAPNet在分割準確度上有著明顯的優勢。該技術我們已經總結發表在2019年國際會議MICCAI上。據了解，我們提出的DAPNet是第一個針對病理跨染色圖像分割的深度學習模型。此方法在訓練時并不需要目標域圖像的標簽信息，減少了對數據標注的依賴，可以提升分割神經網絡在無標記的新圖像的分割精度，為計算機輔助診斷等提供技術支持；并且實用性強，有著較強的推廣與應用價值。
論文作者：劉凈心博士
（衡道病理「醫療大數據與人工智能研發中心」 技術總監） 參考文獻： Xianxu Hou; Jingxin Liu; Bolei Xu; BozhiLiu; Xin Chen; Mohammad Ilyas; Ian Ellis; Jon Garibaldi; Guoping Qiu. "Dual Adaptive Pyramid Network for Cross-Stain Histopathology ImageSegmentation." International Conference on Medical Image Computingand Computer-Assisted Intervention. Springer, Cham, 2019. 
歡迎個人形式轉發，謝絕媒體、網站等未經允許以任何形式轉載至其他平臺；如需轉載請提前聯系本公眾號，并在文首注明「來源：衡道病理」。
|
